肤色模型
肤色模型的相关文献在1998年到2022年内共计361篇,主要集中在自动化技术、计算机技术、无线电电子学、电信技术、公路运输
等领域,其中期刊论文327篇、会议论文20篇、专利文献146246篇;相关期刊176种,包括电视技术、电子技术应用、现代电子技术等;
相关会议20种,包括贵州省系统工程学会第三届学术年会、第二十五届中国(天津)2011’IT、网络、信息技术、电子、仪器仪表创新学术会议、第三届中国智能计算大会等;肤色模型的相关文献由808位作者贡献,包括唐丹、尹显东、李在铭等。
肤色模型—发文量
专利文献>
论文:146246篇
占比:99.76%
总计:146593篇
肤色模型
-研究学者
- 唐丹
- 尹显东
- 李在铭
- 邓君
- 姚军
- 杨杰
- 陈锻生
- 高文
- 姚莉秀
- 张星明
- 李明
- 杨金柱
- 杨静宇
- 林显宁
- 沈兰荪
- 王俊雄
- 王红
- 穆志纯
- 罗家林
- 董兰芳
- 覃文军
- 赵大哲
- 雷蕴奇
- 韩宇星
- 丁宣浩
- 万里红
- 何东健
- 傅松林
- 冯林
- 刘军
- 刘启和
- 刘嘉勇
- 刘忆宁
- 刘敏
- 刘正义
- 刘锦高
- 吴众山
- 吴慧
- 吴智凯
- 吴绿芳
- 吴镇扬
- 夏冉
- 姚美银
- 姚鸿勋
- 孔德慧
- 孔潇
- 宋凯
- 宋海龙
- 尹宝才
- 尹红梅
-
-
李映钊;
王昇;
涂其远
-
-
摘要:
人脸识别技术的应用前景极其广泛,而进行人脸识别之前还有一道重要工序那就是人脸检测,人脸检测作为人脸识别技术的基础,同时也是其他智能应用重点研究的一个方向,具有十分深远的研究意义,本文主要对人脸检测技术几种方法中引申一个的重要特征来进行研究分析,即基于肤色的人脸检测技术:首先建立肤色模型,然后进行肤色分割、人脸区域筛选,最后确定人脸区域,并用MATLAB进行仿真,最终成功达到人脸检测的目的。
-
-
包先宏;
邢邓鸿;
吴庚明;
张森文
-
-
摘要:
本文针对YCrCb颜色空间下Cr分量的Otsu阈值分割的肤色提取算法易受到手部装饰物的干扰,严重影响手势分割效果,造成手指区域截断的问题,提出一种基于肤色模型的手势分割优化方法。通过基于Cr分量的Otsu阈值分割算法对手势进行初步分割,然后对区块式肤色检测进行肤色像素在区块内占比情况判定,进而推断手掌区域位置。同时利用面积比较法确定截断手指轮廓点集,在获得截断手指区域中心位置后,连接手掌区域轮廓最近点,最后连接截断区域和手掌区域并使用形态学操作达到对截断区域的填充的目的。实验数据表明,该方法对截断区域填充效果良好,对手掌区域判定的准确率为94%,对截断区域填充的成功率超过91%。
-
-
刘敏
-
-
摘要:
本文介绍了当前人脸检测的现状,针对目前人脸检测准确率低、应用范围受限、易受其他因素影响等问题,提出了一种级联检测方法,即将人脸肤色特征和深度神经网络特征相结合,根据肤色特征对图像滤波,并利用肤色模型去除背景,然后用神经网络级联确定最终的分类器,最后再对去除了背景的图像进行人脸检测.实验证明,这种级联检测的方法能减少光线、表情、姿势等影响,减少误检,有效提高检测率,并可缩短检测时间.
-
-
刘敏
-
-
摘要:
本文介绍了当前人脸检测的现状,针对目前人脸检测准确率低、应用范围受限、易受其他因素影响等问题,提出了一种级联检测方法,即将人脸肤色特征和深度神经网络特征相结合,根据肤色特征对图像滤波,并利用肤色模型去除背景,然后用神经网络级联确定最终的分类器,最后再对去除了背景的图像进行人脸检测。实验证明,这种级联检测的方法能减少光线、表情、姿势等影响,减少误检,有效提高检测率,并可缩短检测时间。
-
-
卫保国;
徐勇;
刘金玮;
周佳明
-
-
摘要:
基于运动信息与肤色特征相结合的手势分割是目前最主流的手势分割方法,该类方法易受光照变化、背景变化、运动轨迹重合等因素的影响,并且所采用的肤色模型对不同肤色的手势不具有适应性.针对以上问题,提出了一种先检测手势再自适应分割手势的方法.首先设计了一种基于空洞卷积的主干网络和一套Anchor方案将SSD(single shot multi-box detector)改进为手势检测模型,通过该模型初步分割出手势ROI(region of interest)以避免类肤色背景的影响.然后根据手势ROI建立YCrCb高斯肤色模型,以使肤色模型对不同的手势肤色具有很好的适应能力.实验结果表明,在多种复杂场景下,本文的手势分割算法能够避免类肤色背景的影响并且对不同肤色的手势都取得了非常好的分割效果.
-
-
吴轶凡;
郭剑辉
-
-
摘要:
为了改进基于肤色模型的手势分割算法存在着大面积类肤色区域噪声较大、手上的装饰物会严重影响分割效果的问题,文中通过将帧间对比算法与基于肤色模型的手势分割相结合的方法消除大面积类肤色区域形成的大型白斑,同时通过用对比行与列的灰度变换次数最大参考量的大小关系判断手指朝向,进而使用形态学操作对手指装饰物形成的黑色区域进行填补.实验表明,该方法对类肤色噪声成功分割率在98%以上,对于手指部分存在遮挡的情况,针对各个手型2至手型5的各个方向,填补成功率均超过90%.
-
-
董林鹭;
赵良军;
杨明中;
林国军;
石小仕;
何岚
-
-
摘要:
Viola-Jones算法能快速定位人脸,但该算法存在对有偏角的人脸出现漏检和对周围环境非人脸区域出现误检的情况.针对该问题,提出一种基于Viola-Jones的改进人脸定位算法.首先将图像中检测到的人脸像素区域排除,再对剩下未被检测出的区域转为YCrCr模式,设定阈值排除大部分环境中非肤色像素的干扰初步筛选出候选人脸区域,再利用形态学方法进一步排除身体其他部位肤色的干扰和环境中近似人脸像素的背景色干扰并对筛选出的区域进行左角度矫正调整和右角度矫正调整,重新检测,准确定位出人脸位置.通过在标准人脸检测库Faces、IMM和AFW上进行实验,结果表明,该算法能有效提高人脸定位的准确性,较原算法在Faces测试库中正确检测率提高5%,在AFW测试库中正确检测率提高9%.
-
-
-
-
张彩珍;
张云霞;
赵丹;
张晓金
-
-
摘要:
针对基于视觉的手势识别率不高,鲁棒性欠佳的问题,提出了一种基于YCbCr椭圆聚类肤色模型分割手势结合反向传播(BP)神经网络识别的手势识别方法.对采集到的图像序列利用离散余弦变换(DCT)去噪处理和边缘检测,根据人体肤色在YCbCr空间聚类紧凑的特性提取出手势的形状轮廓,将边缘检测与肤色模型分割结果相与得到分割出的手势,利用加速稳健特性(SURF)算法提取构建手势的特征向量,最后通过BP神经网络对手势图分类和识别.实验结果表明:针对复杂背景下的手势,该算法具有较强的鲁棒性,效率高,识别的准确率可达到96%.
-
-
Yang Chongyun;
阳崇云;
Sang Nong;
桑农;
Chen Zhangyi;
陈张一;
Chen Ziyi;
陈子伊
- 《第十一届中国智能机器人会议》
| 2015年
-
摘要:
提出了一种基于椭圆肤色模型与可控风险敏感型Adaboost(CCS-Adaboost)算法的多视角人脸检测方法.在人脸检测的离线训练部分,该方法使用Haar-like特征和CCS-Adaboost算法训练样本.CCS-Adaboost在最小化分类错误率的同时能够最小化样本的误分类风险,从而它能够提高分类准确性.在实时检测部分,首先通过使用YCbCr颜色空间的椭圆模型快速检测出可能的人脸区域,然后通过基于CCS-Adaboost的多视角人脸检测器检测人脸.多视角人脸检测器中级联分类器的前四层构成姿态预估部分,如果样本未通过级联检测器的前四层,那么该样本被确定为一个非人脸样本.实验证明该检测器可以有效和准确地检测多视角人脸.
-
-
吴有富;
左建军;
吴军
- 《贵州省系统工程学会第三届学术年会》
| 2012年
-
摘要:
手作为人体最灵活的部分,是人的行为分析的主要内容之一.手掌(包括手指)完成了大部分的手的动作,因此手掌的检测为人们进一步分析人的行为提供了一个很好的途径.在这篇文章中,首先引用交互相对熵对目标进行分割;接着运用肤色模型将手和脸从人体中分离;随后采用主成分分析方法将手掌分割出来;最后提出一种基于手的行为分析方法.实验结果表明,该方法是有效的.
-
-
-
-
-
-
-
-
-
-
-
- 广东技术师范大学
- 公开公告日期:2021.09.24
-
摘要:
本发明公开了一种基于肤色模型和统计特征的手势分割方法,包括以下步骤:(1)建立统计模型,将样本空间的样本图像从RGB颜色空间转换到HSV颜色空间和YCbCr,计算若干个通道的统计特征;(2)根据当前图像计算每个像素的平均值作为当前的背景模型,采用均值法区分当前帧每个像素为前景或背景;(3)获取当前图像的前景像素在通道中的色调值K(x,i,j),与对应通道中的统计特征比较判断为皮肤像素或非皮肤像素。该手势分割方法首先通过计算量简单、时间复杂度低的背景差分算法缩小手势区域,然后对剩下的感兴趣区域利用统计特征在HSV和YCbCr混合空间进行手势肤色分割,计算量少,分割精确。
-
-
-
-
-
- 广东技术师范学院
- 公开公告日期:2019-01-04
-
摘要:
本发明公开了一种基于肤色模型和统计特征的手势分割技术,其特征在于,包括以下步骤:(1)建立统计模型,将样本空间的样本图像从RGB颜色空间转换到HSV颜色空间和YCbCr,计算若干个通道的统计特征;(2)根据当前图像计算每个像素的平均值作为当前的背景模型,采用均值法区分当前帧每个像素为前景或背景;(3)获取当前图像的前景像素在通道中的色调值K(x,i,j),与对应通道中的统计特征比较判断为皮肤像素或非皮肤像素。该手势分割技术首先通过计算量简单、时间复杂度低的背景差分算法缩小手势区域,然后对剩下的感兴趣区域利用统计特征在HSV和YCbCr混合空间进行手势肤色分割,计算量少,分割精确。
-
-
-
-